说明

飞桨有两种建模编写方式：动态图和静态图。

动态图模式为命令式编程范式，类比python，是解析式的执行方式。用户无需预先定义完整的网络结构，每写一行网络代码，即可同时获得计算结果；
静态图模式为声明式编程范式，类比C++，是先编译后执行的方式。用户需要预先定义完整的网络结构，再对其进行编译优化后执行得到计算结果。

飞桨2.0及之后的版本默认使用动态图模式，使用to_static装饰器可以自动完成动转静，并用转换后的程序训练模型及推理部署。

引入相关库

import paddle
from paddle.nn import Linear
import paddle.nn.functional as F
import numpy as np
import os
import random

代码中参数含义如下：

paddle：飞桨的主库，paddle 根目录下保留了常用API的别名，当前包括：paddle.tensor、paddle.framework、paddle.device目录下的所有API；
Linear：神经网络的全连接层函数，包含所有输入权重相加的基本神经元结构。在房价预测任务中，使用只有一层的神经网络（全连接层）实现线性回归模型。
paddle.nn：组网相关的API，包括 Linear、卷积 Conv2D、循环神经网络LSTM、损失函数CrossEntropyLoss、激活函数ReLU等；
paddle.nn.functional：与paddle.nn一样，包含组网相关的API，如：Linear、激活函数ReLU等，二者包含的同名模块功能相同，运行性能也基本一致。差别在于paddle.nn目录下的模块均是类，每个类自带模块参数；paddle.nn.functional目录下的模块均是函数，需要手动传入函数计算所需要的参数。在实际使用时，卷积、全连接层等本身具有可学习的参数，建议使用paddle.nn；而激活函数、池化等操作没有可学习参数，可以考虑使用paddle.nn.functional。

数据处理

此处原理相同，故无法用框架实现，沿用原先代码

def load_data():
    # 从文件导入数据
    datafile = './work/housing.data'
    data = np.fromfile(datafile, sep=' ', dtype=np.float32)
    # 每条数据包括14项，其中前面13项是影响因素，第14项是相应的房屋价格中位数
    feature_names = [ 'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', \
                      'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV' ]
    feature_num = len(feature_names)
    # 将原始数据进行Reshape，变成[N, 14]这样的形状
    data = data.reshape([data.shape[0] // feature_num, feature_num])
    # 将原数据集拆分成训练集和测试集
    # 这里使用80%的数据做训练，20%的数据做测试
    # 测试集和训练集必须是没有交集的
    ratio = 0.8
    offset = int(data.shape[0] * ratio)
    training_data = data[:offset]
    # 计算train数据集的最大值，最小值
    maximums, minimums = training_data.max(axis=0), training_data.min(axis=0)
    # 记录数据的归一化参数，在预测时对数据做归一化
    global max_values
    global min_values
    max_values = maximums
    min_values = minimums
    # 对数据进行归一化处理
    for i in range(feature_num):
        data[:, i] = (data[:, i] - min_values[i]) / (maximums[i] - minimums[i])
    # 训练集和测试集的划分比例
    training_data = data[:offset]
    test_data = data[offset:]
    return training_data, test_data

模型设计

模型实质定义的是线性回归的网络结构，飞桨框架下的模型网络定义需要创建一个类，且继承paddle.nn.Layer类，且定义init初始化和forward指定前向计算逻辑的两个函数。forward中使用的网络层需要在init中声明。

class Regressor(paddle.nn.Layer):
    # self代表类的实例自身
    def __init__(self):
        # 初始化父类中的一些参数
        super(Regressor, self).__init__()
        # 定义一层全连接层，输入维度是13，输出维度是1
        self.fc = Linear(in_features=13, out_features=1)
    # 网络的前向计算
    def forward(self, inputs):
        x = self.fc(inputs)
        return x

训练配置

飞桨的训练配置过程有四部：

指定运行训练的机器资源
声明模型实例
加载训练和测试数据

设置优化算法和学习率

# 声明定义好的线性回归模型
model = Regressor()
# 开启模型训练模式
model.train()
# 加载数据
training_data, test_data = load_data()
# 定义优化算法，使用随机梯度下降SGD
# 学习率设置为0.01
opt = paddle.optimizer.SGD(learning_rate=0.01, parameters=model.parameters())

飞桨的模型有两种状态：训练.train()和预测.eval()。训练要执行正向计算和反向传播梯度两个过程，预测只需执行正向计算，为模型指定运行状态。原因有二：

部分高级算子在两个状态执行的逻辑不同，比如 Dropout 和 BatchNorm；
从性能和存储空间考虑，预测状态时更节省内容（因为无需记录反向梯度），性能更好。
训练过程
使用二层循环嵌套方式。

内层循环：负责整个数据集的一次遍历，采用分批方式（batch）

for iter_id, mini_batch in enumerate(mini_batches):

外层循环：定义遍历数据集的次数，通过 EPOCH_NUM 参数设置

for epoch_id in range(EPOCH_NUM):
batch取值需考虑性能与时间
内层循环所用逻辑与python写法一致，包含以下五个步骤：

数据准备：将一个批次的数据先转换成nparray格式，再转换成Tensor格式；
前向计算：将一个批次的样本数据灌入网络中，计算输出结果；
计算损失函数：以前向计算结果和真实房价作为输入，通过损失函数 square_error_cost API 计算出损失函数值（Loss）。该接口可查看
反向传播：执行梯度反向传播backward函数，并根据设置的优化算法更新参数（opt.step函数） ```python EPOCH_NUM = 10 # 设置外层循环次数 BATCH_SIZE = 10 # 设置batch大小

定义外层循环

for epoch_id in range(EPOCH_NUM):

# 在每轮迭代开始之前，将训练数据的顺序随机的打乱
np.random.shuffle(training_data)
# 将训练数据进行拆分，每个batch包含10条数据
mini_batches = [training_data[k:k+BATCH_SIZE] for k in range(0, len(training_data), BATCH_SIZE)]
# 定义内层循环
for iter_id, mini_batch in enumerate(mini_batches):
    x = np.array(mini_batch[:, :-1]) # 获得当前批次训练数据
    y = np.array(mini_batch[:, -1:]) # 获得当前批次训练标签（真实房价）
    # 将numpy数据转为飞桨动态图tensor的格式
    house_features = paddle.to_tensor(x)
    prices = paddle.to_tensor(y)
    # 前向计算
    predicts = model(house_features)
    # 计算损失
    loss = F.square_error_cost(predicts, label=prices)
    avg_loss = paddle.mean(loss)
    if iter_id%20==0:
        print("epoch: {}, iter: {}, loss is: {}".format(epoch_id, iter_id, avg_loss.numpy()))
    # 反向传播，计算每层参数的梯度值
    avg_loss.backward()
    # 更新参数，根据设置好的学习率迭代一步
    opt.step()
    # 清空梯度变量，以备下一轮计算
    opt.clear_grad()

<a name="kNS3I"></a>
## 保存模型并测试
<a name="aSTa4"></a>
### 保存模型
使用飞桨API保存模型的参数数据`model.state_dict()`到文件中，用于模型预测或校验的程序调用。
```python
# 保存模型参数，文件名为LR_model.pdparams
paddle.save(model.state_dict(), 'LR_model.pdparams')
print("模型保存成功，模型参数保存在LR_model.pdparams中")

测试模型

选择一条数据样本，测试步骤为以下三步：

配置模型预测的机器资源
加载模型到实例中
1. 从文件中读取模型
2. 加载参数内容到模型
3. 加载完毕后调整模型状态为eval()
将待预测的样本特征输入到模型中

load_one_example函数可以从数据集中抽一条样本作为测试样本。

def load_one_example():
    # 从上边已加载的测试集中，随机选择一条作为测试数据
    idx = np.random.randint(0, test_data.shape[0])
    idx = -10
    one_data, label = test_data[idx, :-1], test_data[idx, -1]
    # 修改该条数据shape为[1,13]
    one_data =  one_data.reshape([1,-1])
    return one_data, label
# 参数为保存模型参数的文件地址
model_dict = paddle.load('LR_model.pdparams')
model.load_dict(model_dict)
model.eval()
# 参数为数据集的文件地址
one_data, label = load_one_example()
# 将数据转为动态图的variable格式 
one_data = paddle.to_tensor(one_data)
predict = model(one_data)
# 对结果做反归一化处理
predict = predict * (max_values[-1] - min_values[-1]) + min_values[-1]
# 对label数据做反归一化处理
label = label * (max_values[-1] - min_values[-1]) + min_values[-1]
print("Inference result is {}, the corresponding label is {}".format(predict.numpy(), label))

0-笔记-视频课程学习记录

使用飞桨重写波士顿房价问题解法

说明